一種高解析度遙感圖像多類目標檢測識別方法

2023-12-08 20:29:06

專利名稱：一種高解析度遙感圖像多類目標檢測識別方法
一種高解析度遙感圖像多類目標檢測識別方法技術領域
本發明屬於數字圖像處理領域，具體涉及一種遙感圖像多類目標檢測識別方法， 針對的目標類別為人造建築物，可以對多類目標在不同解析度進行自動識別。
背景技術：
對於遙感圖像，本領域一般認為小於等於10米成像解析度的遙感圖像可以稱為 高解析度遙感圖像。現在獲得的高解析度遙感圖像，除了可以進行大尺度下的資源普查、環 境監控等外，也為進行其他一些更精細的分析，如目標檢測識別，提供了可能；另外，為了擴 展遙感圖像應用，也需要做一些目標檢測識別的工作。
與成像制導等應用不同，遙感圖像中的目標檢測識別是在大範圍的場景中進行 的，目標信雜比低，雜波多。目標常常混雜在包含大量信息的背景之中。這就使得從遙感圖 像中提取出感興趣的目標比較困難。
目前遙感圖像目標檢測識別的應用，主要有以下兩種方式一是針對單一目標，通 過建立目標特徵模型，進行目標檢測識別方法完成；另一種是由判讀人員直接分析圖像，利 用其長期訓練的經驗進行目標檢測和判讀，但這種圖像處理的工作量極大，數據處理效率 較低，而且目標檢測和判讀結果受到判讀人員狀態的影響。
基於目標特徵檢測識別的方法往往只針對一類目標，主要通過分析目標背景特 性，建立目標特徵(不變特徵或其他有效特徵)模型的方法實現，當然也會結合各種先驗知 識以保證方法對動態場景的適應能力。但針對遙感圖像分析時存在如下問題
(1)針對一類目標，甚至是位於特定環境中的某個特定目標，將這種方法用於遙感 圖像分析時，就需要針對每一類目標設計一種方法。要檢測識別多類目標就必須採用多種 方法對同一影像進行多次處理，其處理效率會隨著目標類別數增加而急劇下降。
(2)通用目標檢測識別方法針對的圖像視場有限，可以分析其目標/背景特性，只 需做小範圍的搜索就可以完成目標檢測(或得到目標丟失的判斷)。但在遙感圖像處理中， 需要在很大的場景範圍內分析圖像數據，檢測感興趣的目標並識別目標類別，需要處理的 信息量巨大，所以以上通用的目標識別方法將導致很高的虛警率和誤識率。
針對遙感圖像處理目標檢測識別所面臨的第一個問題——計算效率問題，採用多 類目標識別的方法是一個很自然的解決方案。多類目標識別方法面臨的主要困難在於對 每一類目標使用相同的特徵描述，識別效率會隨著目標類別數的增加而顯著下降。因此，將 目標類別分類，尋找共享特徵以及鑑別性特徵，構建多級特徵選擇識別系統能夠較好解決 該問題。
針對遙感圖像處理目標檢測識別所面臨的第二個問題——遙感圖像包含大量背 景雜波信息。在對分類器進行訓練時正樣本一般是從背景中分割出來的目標或只包含少量 背景像素的目標。這樣在識別時對分類器輸入提出了較高的要求，因此需要提出一種感興 趣區域提取方法。
構建決策樹分類識別系統，提取感興趣區域，對目標類別進行形狀特徵的提取及描述，這種方法邏輯流程清晰，是高解析度遙感圖像多類目標識別一種新方法。 發明內容
本發明的目的在於提出一種高解析度遙感圖像的多類目標檢測識別方法，針對的 目標為人造建築物，基於形狀特徵對目標進行描述，加入解析度以及紋理背景分類信息，結 合共享特徵以及特徵選擇進行多級多類目標檢測識別，能夠解決遙感圖像多類目標識別的 計算效率問題，並能夠保證較高的識別正確率以及識別效率。
實現本發明的目的所採用的具體技術方案如下
為了提高計算效率，先對原始遙感圖像進行解析度調整(調整的幅度事先根據原 始遙感圖像中待識別目標類別的物理大小來確定)，將原始遙感圖像降低至不同解析度組 成多解析度圖像組，再對各圖像按照解析度由低到高的順序分別進行如下處理
(1)提取感興趣區域
首先，依據邊緣檢測提取圖像中的線段；其次，對圖像中每個像素點賦值為通過該 點的線段長度，得到圖像線段長度分布圖；然後，對線段長度分布圖中每個像素點在其一定 大小的鄰域範圍內進行求和，得到圖像線段密集程度曲面圖。最後，對圖像線段密集程度曲 面圖中取包含最大值的區域，即為獲得的感興趣區域。
本方法中，針對遙感圖像目標檢測識別應用的感興趣區域提取不同於傳統的基於 視覺注意的感興趣區域提取。提取感興趣區域需密切結合識別的目標類別要求，找到目標 間的共性特徵，寧可出現少量虛警，也能夠將實際目標位置提取出來。通過實驗觀察，人造 建築物會表現出比較多的線段特徵，遙感圖像中線段比較密集的地方通常為人造建築物。
(2)先驗知識輔助識別
依據原始圖像的水域陸地分類信息進行輔助識別，即若檢測出的感興趣區域位於 陸地區域，則進入陸地目標識別；若檢測出的感興趣區域位於水域區域，則進入水域目標識 別。
(3)特徵表達
根據步驟(2)的選擇，計算相應選擇區域的感興趣區域的特徵向量。首先，對步驟 (1)中邊緣檢測提取的線段做預處理合併線段，去掉剩下的短，低對比度線段。然後，將預 處理後的線段根據空間關係構成幾何結構，包括平行線，U連接，L連接，剩下的線段即為有 效線段。幾何結構和有效線段的屬性構成了特徵集合。最後，取特徵集合中合適的特徵計 算其屬性作為相應選擇區域的感興趣區域的特徵向量。
具體屬性如下針對有效線段，計算各有效線段之間的相對位置關係屬性，包括 有效線段長度，有效線段到參考線段的距離，有效線段、參考線段中點連線與參考線段之間 的夾角，有效線段、參考線段延長線的夾角；針對幾何結構，計算它們與原圖像中心的絕對 位置關係屬性，包括組成幾何結構的各線段的平均長度，幾何結構與圖像中心點最近的距1 O
對線段預處理時，長度小於一定值(如15個像素)的直線稱為短線段。對比度 (領域背景像素平均值與直線像素平均值比值)小於閾值(如10)的直線稱為低對比度線 段。
形狀特徵在遙感圖像特徵提取中具有重要的地位。由於人造建築物會表現明顯的形狀特徵，如直線邊緣，垂直的交叉口等。每一類特別的目標都表徵出一定模式的輪廓或 外形，這種性質就使得形狀特徵可以作為區別不同遙感圖像中類別目標的一種有效特徵。
(4)利用預先訓練好的分類器進行目標識別
將得到的特徵向量輸入預先訓練好的分類器，得到識別結果並完成相應解析度下 的目標識別。
根據步驟⑵的選擇及步驟(3)的特徵表達，將得到的特徵向量輸入預先訓練好 的分類器節點並判斷是否得到識別結果。如果沒有得到識別結果則繼續計算相應特徵向量 並輸入下一分類器節點；如果得到識別結果，即完成相應解析度下的目標識別。針對陸地目 標識別過程識別出邏輯關係成立的陸地目標，針對水域目標識別過程識別出邏輯關係成立 的水域目標。
得到各種解析度圖像下的目標識別結果後，即完成了對原始的高解析度遙感圖像 中的多類目標檢測識別。
在本發明流程中，提取一定數量的感興趣區域以進行後續處理，大大提高了目標 檢測識別的識別效率；並使用形狀特徵模型來描述不同類別的人造建築物目標，提高了遙 感圖像目標檢測識別的識別率；整體流程使用多級多類決策樹檢測識別結構，提高了遙感 圖像目標檢測識別的效率。


圖1本發明的流程示意圖
圖210米解析度識別流程圖
圖35米解析度識別流程圖
圖4平行線、L連接、U連接結構提取示意圖
圖5相對線段屬性示意圖
圖6絕對結構屬性示意圖具體實施方式
下面結合附圖和具體實施例對本發明作進一步說明。
本實施例中共考慮六種目標類別機場，港口，橋梁，大壩，公路樞紐，鐵路樞紐。使 用的原始圖像為1米高解析度遙感圖像。根據目標的實際物理大小，將機場，港口，大型橋 梁，大型大壩分為一組，在圖像為10米解析度時進行識別；將小型橋梁，小型大壩，公路樞 紐，鐵路樞紐分為一組，在圖像為5米解析度時進行識別。10米與5米的識別流程如圖二， 圖三所示。
本實施例中，首先將原始遙感圖像解析度調整為10米，當10米檢測識別流程完成 後，再將遙感圖像調整解析度為5米，繼續檢測識別相應目標。
具體步驟如下
(1)提取感興趣區域
a)首先，依據邊緣檢測提取調整解析度後的圖像中的線段；其次，對圖像中每個 像素點賦值為通過該點的線段長度，得到圖像線段長度分布圖；然後，對圖像線段長度分布 圖中的每個像素點，取以其為中心，適當大小的正方形窗口(優選大小為150*150像素)，對此窗口內線段長度數值累加，由此得到表徵線密集程度的圖像曲面圖。
b)以曲面中的峰值為中心取初始大小為25(^250像素的感興趣區域框，向上下左 右四個方向擴展，最大擴展至500*500像素。取10米步長為25像素，5米步長為50像素作 為候補擴展區域，計算候補擴展區域線段通過點的線長均值，如果大於對應峰值的50 %，則 加入此擴展區域為感興趣區域框，以此類推，得到最終的感興趣區域。
優選地，為了得到更高的目標識別率，對每一幅測試圖像(5米解析度時為 4000*4000尺寸)，根據步驟(b)，可以以最大的五個峰值區域提取出五個感興趣區域。這是 由於遙感圖像背景非常複雜，往往會有道路，方塊田，房屋等背景幹擾因素對最大值進行影 響。
(2)先驗知識輔助識別
依據原始圖像的水域陸地分類信息，檢測出的感興趣區域位於陸地區域，則進入 機場，公路樞紐和鐵路樞紐識別；檢測出的感興趣區域位於水域區域，則進入港口，大型橋 梁，大型大壩，小型橋梁和小型大壩識別。
(3)特徵表達
1)目標類別特徵分析
a)分析目標形狀特性
機場處於無水區域，平行線特徵非常明顯。
港口 背景有水域，包含許多小型的垂直，平行，有較多的幾字型結構。
橋梁背景有水域，結合水域去除雜線，包含明顯的垂直結構。
大壩背景有水域，結合水域去除雜線，包含明顯的垂直結構，水中線兩邊的水域 寬度不一樣。
公路樞紐處於無水區域，直線主要呈交叉狀，像四周輻射發散。
鐵路樞紐處於無水區域，直線主要呈平行狀，目標位置非常多同一方向的小碎 線。
b)構建特徵組
依據目標類別的物理特性以及實驗數據，識別流程中使用三組特徵
機場平行線
港口，橋梁，大壩有效線，L連接，U連接
公路樞紐，鐵路樞紐有效線
2)提取線段特徵
依據圖像梯度信息提取圖像中線段，如道路邊緣，大型建築物邊緣，海港邊緣等。 具體過程如下
a)計算圖像I (X，y)的梯度圖像G(x，y)的幅值大小U(x，y)以及方向θ (χ, y), 將 θ (χ, y)增加 22. 5° 產生 θ i(x，y)。
b)將θ (χ, y)禾Π θ 1 (χ, y)依據方向分別分成八個區間P(i)，Pl⑴。將每個區 間中的U(x，y)超過閾值T的圖像點作為候選點，根據是否8連通域判斷得出連通點集，再 將連通點集分別劃分至不同區域R (i)，Rl (i)。
c)分別計算區間P(i)，Pl(i)中的區域R(i)，Rl(i)最小外接矩形，得到各外接矩 形長度len，將Ien賦予各自區域經過的圖像點，沒有經過的圖像點賦值為0，由此生成兩幅區域外接矩形長度分布圖L(x, y)，Ll (x, y)。
d)比較原始圖像每一點相對應的L(x, y)，Ll (x, y)數值大小，若L(x，y) > Ll (χ, y)，則對應區域P(i)計數加一，反之對應區域Pl (i)計數加一，得每一區域R(i)，Rl (i)的 與其區域大小之比Ratio (i)，Ratiol (i)。
e)若Ratio(i) > 50 %或者Ratiol (i) > 50%，則相應的大於50%的區域為有效 的直線支撐區域，由此提取出原始圖像I (x，y)中的線段，並得到線段屬性長度，梯度平均 值，直線、直線支撐域中背景的對比度。
本領域提取圖像中線段的方法很多，本實例中優選以上以計算梯度為基礎的線段 提取方法。
3)提取幾何結構特徵
對原始線段做預處理合併線段，去掉剩下的長度小於15，對比度低於10的線段。 將預處理後的線段根據目標的幾何形狀特點構成幾何結構。幾何結構包括平行線，L連 接，U連接。剩下的即為有效線段。圖4為平行線、L連接、U連接示意圖。判斷規則如下 依據線段之間距離判斷相鄰關係，對於相鄰的線段組，判斷他們之間的角度與距離，則可得 平行線，L連接，U連接結構。
4)產生特徵向量
針對每一個幾何部件，根據他們的幾何和空間關係計算屬性。屬性包括相對屬 性，絕對屬性。具體方法如下
a)有效線段相對屬性{1，d，Φ，θ }
計算規則如圖5所示1表示有效線段長度，d表示線段到參考線段m的距離，Φ 表示1與m中點連線與m之間的夾角，θ表示兩線段延長線的夾角。
b)平行線，L連接，U連接絕對屬性:{l,d}
計算規則如圖6所示1表示原始結構組成線段平均長度，d表示原始結構與圖像 中心點最近的距離。
c)設定特徵空間。若幾何部件屬性種類為m，則將他們映射至一個m維直方圖。對 屬性直方圖每一維規定量化區間。生成的特徵向量總維數為
權利要求
1.一種高解析度遙感圖像多類目標檢測識別方法，首先對原始遙感圖像進行解析度調 整，將原始遙感圖像分別降低為多個不同的解析度，形成多幅具有不同解析度的圖像，再對 各解析度圖像按照解析度由低到高的順序分別進行如下處理(1)提取感興趣區域首先，依據邊緣檢測提取圖像中的線段；其次，對圖像中每個像素點賦值為通過該點的 線段長度，得到圖像線段長度分布圖；然後，對所述線段長度分布圖中每個像素點在其一定 大小的鄰域範圍內進行求和，得到圖像線段密集程度曲面圖；最後，對所述圖像線段密集程 度曲面圖中取包含最大值的區域，即為獲得的感興趣區域。(2)先驗知識輔助識別依據原始圖像的水域陸地分類信息進行輔助識別，確定出該感興趣區域所屬區域類 型，即確定感興趣區域屬於陸地區域或水域區域；(3)特徵提取根據步驟( 確定的區域類型，計算獲得感興趣區域的特徵向量。(4)利用預先訓練好的分類器進行目標識別將獲得的特徵向量輸入預先訓練好的分類器，得到識別結果並完成相應解析度下的目 標識別；得到各種解析度圖像下的目標識別結果後，即完成對原始高解析度遙感圖像中的多類 目標的檢測識別。
2.根據權利要求1所述的方法，其特徵在於，所述的步驟C3)中特徵向量的具體計算過 程為首先，對步驟(1)中邊緣檢測提取的線段做預處理合併線段，去掉剩下的短，低對比 度線段；然後，將預處理後的線段根據空間關係構成幾何結構，包括平行線，U連接，L連接， 剩下的不構成幾何結構的線段為有效線段，所述幾何結構和有效線段的屬性構成了特徵集 合；最後，從所述特徵集合中選取一定的特徵計算其屬性作為感興趣區域的特徵向量。
3.根據權利要求1或2所述的方法，其特徵在於，所述屬性具體為針對有效線段，所述屬性為各有效線段之間的相對位置關係屬性，包括有效線段長 度、有效線段到參考線段的距離、有效線段和參考線段中點的連線與參考線段之間的夾角、 以及有效線段和參考線段延長線的夾角；針對幾何結構，所述屬性為幾何結構與原始圖像中心的絕對位置關係屬性，包括組成 幾何結構的各線段的平均長度，以及幾何結構與圖像中心點最近的距離。
全文摘要
本發明公開了一種高解析度遙感圖像多類目標檢測識別方法，首先對原始遙感圖像進行解析度調整，將原始遙感圖像分別降低為多個不同的解析度，形成多幅具有不同解析度的圖像，再對各解析度圖像按照解析度由低到高的順序分別進行如下處理(1)提取感興趣區域；(2)先驗知識輔助識別；(3)特徵提取；(4)利用預先訓練好的分類器進行目標識別。本發明通過簡單的形狀特徵提取與表達，分析共享特徵與鑑別性特徵以進行動態特徵選擇，依據特徵量的分布尋找感興趣區域，結合多解析度信息以及大尺度紋理分析結果，提出了一種新穎的遙感圖像多級多類目標識別方法，在保證檢測識別高可靠性的同時提高了信息處理效率。
文檔編號G06K9/46GK102043958SQ201010562319
公開日2011年5月4日 申請日期2010年11月26日 優先權日2010年11月26日
發明者吳劍劍, 唐為林, 姚瑋, 宋雲峰, 桑農, 王嶽環 申請人:華中科技大學